Quando prendi un farmaco, vuoi sapere esattamente cosa fa. Le aziende farmaceutiche passano attraverso test approfonditi per assicurarsi che tu lo faccia.

Con una nuova tecnica basata sul deep learning creata presso la Brown School of Engineering della Rice University, potrebbero presto capire meglio come i farmaci in fase di sviluppo si esibiranno nel corpo umano.

Il laboratorio Rice dell'informatica Lydia Kavraki ha introdotto Metabolite Translator, uno strumento computazionale che predice i metaboliti, i prodotti delle interazioni tra piccole molecole come farmaci ed enzimi.

I ricercatori della Rice sfruttano i metodi di apprendimento profondo e la disponibilità di enormi set di dati sulle reazioni per fornire agli sviluppatori un quadro ampio di ciò che farà un farmaco. Il metodo non è vincolato da regole che le aziende utilizzano per determinare le reazioni metaboliche, aprendo la strada a nuove scoperte.

"Quando stai cercando di determinare se un composto è un potenziale farmaco, devi controllare la tossicità, " ha detto Kavraki. "Vuoi confermare che fa quello che dovrebbe, ma vuoi anche sapere cos'altro potrebbe accadere."

La ricerca di Kavraki, autore principale e studente laureato Eleni Litsa e Rice alumna Payel Das del Thomas J. Watson Research Center di IBM, è dettagliato nella rivista della Royal Society of Chemistry Scienza chimica.

I ricercatori hanno addestrato Metabolite Translator a prevedere i metaboliti attraverso qualsiasi enzima, ma ne ha misurato il successo rispetto ai metodi esistenti basati su regole che si concentrano sugli enzimi nel fegato. Questi enzimi sono responsabili della disintossicazione e dell'eliminazione degli xenobiotici, come droghe, pesticidi e inquinanti. Però, i metaboliti possono essere formati anche attraverso altri enzimi.

"I nostri corpi sono reti di reazioni chimiche, " Ha detto Litsa. "Hanno enzimi che agiscono sulle sostanze chimiche e possono rompere o formare legami che cambiano le loro strutture in qualcosa che potrebbe essere tossico, o causare altre complicazioni. Le metodologie esistenti si concentrano sul fegato perché la maggior parte dei composti xenobiotici viene metabolizzata lì. Con il nostro lavoro, stiamo cercando di catturare il metabolismo umano in generale.

"La sicurezza di un farmaco non dipende solo dal farmaco stesso ma anche dai metaboliti che si possono formare quando il farmaco viene processato nell'organismo, " ha detto Litta.

L'ascesa delle architetture di apprendimento automatico che operano su dati strutturati, come molecole chimiche, rendere possibile il lavoro, lei disse. Transformer è stato introdotto nel 2017 come metodo di traduzione sequenziale che ha trovato ampio utilizzo nella traduzione linguistica.

Metabolite Translator si basa su SMILES (per "sistema di ingresso di linea a input molecolare semplificato"), un metodo di notazione che utilizza testo semplice anziché diagrammi per rappresentare molecole chimiche.

"Quello che stiamo facendo è esattamente lo stesso che tradurre una lingua, come l'inglese al tedesco, " ha detto Litta.

A causa della mancanza di dati sperimentali, il laboratorio ha utilizzato il transfer learning per sviluppare Metabolite Translator. Per prima cosa hanno pre-addestrato un modello Transformer su 900, 000 reazioni chimiche note e poi l'ha messa a punto con i dati sulle trasformazioni metaboliche umane.

I ricercatori hanno confrontato i risultati di Metabolite Translator con quelli di diverse altre tecniche predittive analizzando le sequenze SMILES note di 65 farmaci e 179 enzimi metabolizzanti. Sebbene Metabolite Translator sia stato addestrato su un set di dati generale non specifico per i farmaci, ha funzionato così come i metodi basati su regole comunemente usati che sono stati sviluppati specificamente per i farmaci. Ma ha anche identificato enzimi che non sono comunemente coinvolti nel metabolismo dei farmaci e non sono stati trovati con i metodi esistenti.

"Abbiamo un sistema in grado di prevedere altrettanto bene con i sistemi basati su regole, e non abbiamo inserito nel nostro sistema alcuna regola che richieda lavoro manuale e conoscenze specialistiche, " ha detto Kavraki. "Utilizzando un metodo basato sull'apprendimento automatico, stiamo addestrando un sistema per comprendere il metabolismo umano senza la necessità di codificare esplicitamente questa conoscenza sotto forma di regole. Questo lavoro non sarebbe stato possibile due anni fa".

Kavraki è il professore di informatica di Noah Harding, un professore di bioingegneria, ingegneria meccanica e ingegneria elettrica e informatica e direttore del Ken Kennedy Institute di Rice. La Rice University e il Cancer Prevention and Research Institute of Texas hanno sostenuto la ricerca.